RDF数据到文本生成（RDF-to-Text Generation）旨在为一组结构化的RDF三元组数据自动生成描述其重要内容的非结构化文本,它能为基于知识图谱的自然语言处理应用提供帮助。现有方法大多将该任务视为序列到序列问题和图到序列问题。然而,将RDF三元组转换为序列形式易丢失三元组内部或三元组之间的重要结构信息或关系信息,同时单一的图编码器难以全面地学习到RDF三元组中的全局语义信息,使得生成的描述文本中存在如重要信息缺失、实体指代不明、文本表达冗余等问题。针对这些问题,一方面本文通过融合多种不同类型的编码器来编码RDF三元组,并通过知识增强的方法进一步提升模型的性能。另一方面本文采用知识增强的预训练语言模型,以此提升模型生成描述文本的质量。本文的主要研究工作如下:第一,本文提出了一种新的基于图增强神经网络模型的方法,简称G2T,该方法采用多种不同类型的编码器从不同角度对RDF三元组进行联合学习,它主要包括两个图编码器GTE、GCN和一个序列编码器TSE。其中,图编码器GTE和GCN旨在实现将原始RDF三元组转化为不同图结构后的多视角互补表示,序列编码器TSE则用于编码序列化后的RDF三元组,采取上述联合编码策略可充分利用三元组内部的局部信息和全局信息。另外,为了改善三元组自身信息稀疏或背景知识缺失的不足,本文还进一步融合了 Wikidata、DBpedia等外部多源知识用于增强对三元组的内容理解及引导生成。在WebNLG 2017数据集上的实验结果显示:本文所提方法在自动评价指标及人工评价中均显著优于参与比较的所有基线方法,从而证明了本文提出方法的可行性和有效性。第二,本文提出了基于两阶段知识增强的预训练语言模型方法T5+KEP+KEG。具体而言,在第一阶段预训练过程中引入与RDF数据主题相关的大规模语料信息,让预训练语言模型更好地适应RDF数据到文本生成的任务,即基于知识增强的预训练。第二阶段,在WebNLG数据中融合与其主题高度相关的Wikidata三元组,用于补充原RDF数据中缺少的常识知识和信息,即基于知识增强的文本生成。通过两阶段的知识增强过程,一方面能够让预训练语言模型更好地挖掘和利用RDF三元组数据,另一方面能够补充原RDF三元组中缺失的关键信息。在WebNLG 2017数据集上的实验结果和人工评价结果证明了该方法的有效性。